一種新型灰關聯(lián)分類器設計方法
【技術(shù)領域】
[0001] 本發(fā)明涉及電子對抗、信號識別、分類器設計領域，更具體地說，本發(fā)明涉及一種 新型灰關聯(lián)分類器設計方法。
【背景技術(shù)】
[0002] 如今，隨著反偵察、抗干擾技術(shù)的不斷的完善，通信系統(tǒng)的復雜化和噪聲的不斷增 加，信號個體差異逐漸減小，傳統(tǒng)的模版比對法已經(jīng)難以完成對輻射源的個體識別任務。如 何在較低的不穩(wěn)定的信噪比環(huán)境下實現(xiàn)對輻射源信號的識別和分類，分類器的設計和選擇 變得非常重要。分類器設計的主要作用是，根據(jù)提取的信號特征，進行相應的判決，從而實 現(xiàn)對信號等對象的分類識別。利用灰色關聯(lián)分類器來對提取到的信號特征進行分類，通過 對不同的調(diào)制信號的低信噪比下的識別結(jié)果，來判斷算法的特征提取性能，驗證改進算法 的有效性。
[0003] 傳統(tǒng)的灰色關聯(lián)分析以部分特征已知、部分特征未知、樣本小的不確定信號為研 究對象，提取有利信息，實現(xiàn)對信號的識別分類。在此基礎上又改進了一批新型的關聯(lián)程度 分析方法。如自適應熵權(quán)灰色關聯(lián)度、廣義絕對關聯(lián)度、T型關聯(lián)度、灰色斜率關聯(lián)度。
[0004] 新型的幾種典型的關聯(lián)度模型是鄧氏關聯(lián)度、廣義絕對關聯(lián)度、T型關聯(lián)度、灰色 斜率關聯(lián)度。但是，目前已有的各種模型大多不是很理想，往往不滿足灰色關聯(lián)四公理所規(guī) 定的約束條件。鄧氏關聯(lián)度和廣義絕對關聯(lián)度利用位移差反映了兩序列間發(fā)展過程或量級 的相近性。對于傳統(tǒng)鄧氏灰關聯(lián)分類器，抗噪能力相對較差，在較低信噪比條件下，就難以 達到識別的效果;T型關聯(lián)度利用速度比反應兩序列發(fā)展趨勢，斜率關聯(lián)度則是利用速度差 反映兩序列發(fā)展趨勢或曲線形狀的相似性，然而原始數(shù)據(jù)的無量綱化的過程實際上是改變 了曲線的比例，因此斜率關聯(lián)度不滿足規(guī)范性;B型關聯(lián)度則綜合利用了位移差、速度差、加 速度差來反映兩序列曲線的相近性和相似性，側(cè)重于總體分析。并且以上各種模型對于加 載信噪比的信號的識別率并不高。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)中存在上述缺陷，提出了一種新型的 灰關聯(lián)理論的分類器設計方法，通過計算更改初值像的計算方法，來縮小信號特征間的不 穩(wěn)定性，并通過加強分辨系數(shù)的約束性，來實現(xiàn)在不同的信噪比下對信號進行準確識別的 目的。
[0006] 為了實現(xiàn)上述技術(shù)目的，根據(jù)本發(fā)明，提供了一種新型灰關聯(lián)分類器設計方法，包 括:第一步驟:利用灰色關聯(lián)算法設計灰關聯(lián)分類器;第二步驟:對系統(tǒng)的行為各序列的初 值像進行歸一化和均值化，針對不同的信號賦予不同的分辨系數(shù)，從而利用自適應分辨系 數(shù)來加強對分辨系數(shù)的約束能力。
[0007] 優(yōu)選地，所述第一步驟包括：
[0008] 首先，計算系統(tǒng)的行為各序列的初值像X ' i:
[0010]其中，i = 0，l，2,…，m表示數(shù)據(jù)庫中已知待比較信號的類別，η表示信號特征的個 數(shù)；
[0011]其次，計算差值序列：
[0012] Axi(k)=x，o(k)_x，i(k)，Δχ?=(Δχ?(1)，Δχ?(2)，···，Axi(n))，i = l，2，..，m
[0013] 其中，k = l，2,…，n表示信號的第k個特征。
[0014]再次，計算差值序列的最大差Μ與最小差m:
[0020]優(yōu)選地，所述第二步驟包括：
[0021 ] 對所述初值像X ' i進行如下處理：
[0023]其中，巧表示序列的均值，1 = 0，1，2，一，!11表示數(shù)據(jù)庫中已知待比較信號的類別，11 表示信號特征的個數(shù)；
[0024]對所述分辨系數(shù)P進行如下處理：
[0025]計算所有差值絕對值的均值Δ v:

[0034]然后將分辨系數(shù)P帶入下述公式，并結(jié)合拉格朗日中值定理來穩(wěn)定對關聯(lián)系數(shù)的 求取，得到新的關聯(lián)系數(shù)γ Ql (k)的求解：
[0036] 由此計算出序列之間的關聯(lián)度值γ 〇1。
[0037] 總之，鑒于以往的相關研究中存在有上述不足之處，本發(fā)明針對不同信噪比環(huán)境 下產(chǎn)生的信號，提出一種新型自適應灰關聯(lián)分類器設計算法，利用初值像的均值化加強對 加載信噪比的信號歸一化，且加強對分辨系數(shù)的約束、合理化，從而改變關聯(lián)系數(shù)，提高分 類器的自適應能力，達到不同信噪比下對信號進行準確識別的目的。
【附圖說明】
[0038] 結(jié)合附圖，并通過參考下面的詳細描述，將會更容易地對本發(fā)明有更完整的理解 并且更容易地理解其伴隨的優(yōu)點和特征，其中：
[0039]圖1示意性地示出了根據(jù)本發(fā)明優(yōu)選實施例的新型灰關聯(lián)分類器設計方法的流程 圖。
[0040] 圖2示意性地示出了根據(jù)現(xiàn)有技術(shù)的灰色關聯(lián)算法的識別率。
[0041] 圖3示意性地示出了根據(jù)本發(fā)明優(yōu)選實施例的改進的灰色關聯(lián)算法的識別率。
[0042] 需要說明的是，附圖用于說明本發(fā)明，而非限制本發(fā)明。注意，表示結(jié)構(gòu)的附圖可 能并非按比例繪制。并且，附圖中，相同或者類似的元件標有相同或者類似的標號。
【具體實施方式】
[0043]為了使本發(fā)明的內(nèi)容更加清楚和易懂，下面結(jié)合具體實施例和附圖對本發(fā)明的內(nèi) 容進行詳細描述。
[0044]本發(fā)明加強了灰色關聯(lián)分類器的規(guī)范化和自適應能力，首先提出普通灰色關聯(lián)分 類器的設計方法。再對其初值像進行歸一化和均值化，以及加強對分辨系數(shù)的約束能力。最 后，可利用熵權(quán)算法對其自適應能力進行改進，提出新型灰色關聯(lián)分類器的技術(shù)方法。 [0045]灰色關聯(lián)理論的基礎思想是，對一個系統(tǒng)的變化及發(fā)展態(tài)勢進行定量描述和比較 的方法。假設系統(tǒng)的行為序列為：
[0046] Χ〇= (χ〇(1) ,χ〇(2), ··· ,χο(η))
[0047] Χι = (χι(1) ,χι(2), ··· ,χι(η))
[0048] ......
[0049] Χι = (χ?(1) ,χι(2), ··· ,χ?(η))
[0050] ......
[0051] Xm= (Xm(l)，Xm(2)，···，Xm(n) ) (1)
[0052] 其中，Xo代表參考序列，即待識別信號，代表比較序列，其中，i = 0，l， 2，…，m表示數(shù)據(jù)庫中已知待比較信號的類別，η表示信號特征的個數(shù)。
[0053]令：
[0056] 其中，定義pe(〇，l)為分辨系數(shù)，通常取值為0.5。γ (Xo，Xi)稱為Xo與Xi的灰色關 聯(lián)度，常簡記為γ Ql，k點關聯(lián)系數(shù)γ (x〇(k)，Xl(k))簡記為γ Ql(k)。
[0057] 由于通信環(huán)境的復雜性，以及各種各樣噪聲的存在，導致提取到的特征波動性較 大，以及難以用統(tǒng)一的關聯(lián)系數(shù)來表達。所以很難用普通灰色關聯(lián)算法來進行分類，因此， 本發(fā)明提出利用新型灰關聯(lián)進行識別。
[0058] 相對于普通灰色關聯(lián)算法，本發(fā)明能準確確定一個初值像。本發(fā)明利用綜合均值 化的初值像、自適應分辨系數(shù)，從而提升了關聯(lián)系數(shù)的自適應能力和約束能力，提高分類器 的自適應能力。對不同信噪比下具有波動性的信號有著較好的識別能力。同時對于應用關 聯(lián)系數(shù)求解灰色關聯(lián)度具有顯著提效。
[0059] 圖1示意性地示出了根據(jù)本發(fā)明優(yōu)選實施例的新型